1.GNSS坐标时间序列数据流匹配方法，其特征在于，包括：S1.信息识别，对GNSS坐标时间序列进行信号分析和功率谱分析；

S2.主成分分析；

S3.建立相关数据插值经验正交函数算法填补GNSS坐标时间序列的连续空缺；

S4.利用多维模态降噪方法进行GNSS坐标时间序列分解降噪；

S5.共有元素成分分析方法进行GNSS坐标时间序列降维；

S6.GNSS坐标时间序列匹配。

2.根据权利要求1所述的GNSS坐标时间序列数据流匹配方法，其特征在于，S1包括：S1.1.对GNSS坐标时间序列进行功率谱分析，在频率域内识别时序中存在的周期性信号，使用周期图法取随机信号 的傅里叶变换，得到傅里叶变换后的信号 ， 表示对信号进行傅里叶变换的操作，是信号的频率，是复数单位，取傅里叶变换后的信号的幅值的平方，并除以随机信号长度N，将计算结果作为对 的功率谱 的估计，以表示以周期图法估计出的功率谱，则有：；

S1.2.对GNSS坐标时间序列进行信号分析，假设白噪声和有色噪声共同组成了GNSS坐标时间序列中的噪声部分，则噪声部分功率谱 表示为白噪声 和有色噪声 之和：；

式中，f代表有色噪声分量和高斯白噪声分量的交叉频率； 和 是待求未知参数。

3.根据权利要求2所述的GNSS坐标时间序列数据流匹配方法，其特征在于，S2包括：主成分分析，将n个观测点的坐标时间序列x(t)按列进行组合，观测历元数m即表示每一列的长度，初始观测矩阵 表示为：；

为第n个观测点在 的传感器观测值；

通过奇异值分解将X分解为如下形式：；

式中，表示大小为 的正交归一矩阵；表示大小为 的准对角矩阵；表示大小为 的正交归一矩阵，在坐标时间序列分析中 ，且矩阵 的秩为n，的方差矩阵 表示为：；

式中， ，为对角矩阵，对角矩阵每个对角元素即为对应奇异值的功率；

展开为 ：

；

式中， 为 在第 阶处展开后的矩阵， 表示 的第 个主成分； 是对应主成分的空间响应特征矩阵。

4.根据权利要求3所述的GNSS坐标时间序列数据流匹配方法，其特征在于，S3包括：S3.1.GNSS坐标时间序列表示成一个二维观测矩阵 ，从二维观测矩阵中减去观测值的平均值并将缺失数据设置为零，获得 ，对 进行奇异值分解：；

式中，和 分别表示时间模态向量和空间模态向量； 分别是第p列特征向量； 是p列的奇异值；矩阵 是一个对角阵，且满足参数 ， 为矩阵 的特征值；

S3.2.定义协方差阵 ，特征值为 ：；

是第i阶空间模态的特征值；

S3.3.将 、中的特征向量按特征值大小降序排列，然后利用i阶空间模态和j阶时间特征模态重构数据，替换缺失位置数据，使用替换后结果重复计算替换缺失数据，直到收敛，依次用前 个保留模态重复上述过程，得到近似矩阵 ：；

S3.4.通过交叉验证方法计算最佳的保留模态数，将 中一部分已知数据移去，人为制造缺失，选择使这些缺失数据与计算值差异最小时的 作为最佳 值，得到最优的插值结果。

5.根据权利要求4所述的GNSS坐标时间序列数据流匹配方法，其特征在于，S4包括：S4.1.定义 为EMD算子，代表噪声标准差， 代表即将添加的白噪声且服从N(0，

1)分布，将后续得到的分量记为 ；

S4.2.构造首次信号 ， 为添加的初始噪声标准差，对信号进行第一次EMD分解，得到第一个i阶模态分量 ：；

表示i阶模态分量；

第一阶段的余量 为：

。

6.根据权利要求5所述的GNSS坐标时间序列数据流匹配方法，其特征在于，S4包括：S4.3.构造二次信号 ，对造二次信号分解，第二个模态分量表示为：

；

设主分量的阶数即分解层数为k，计算每个阶段分解后的余量信号，同时计算第k+1个模态分量：；

表示第k阶段的余量； 表示第 阶段的余量；表示第k阶段余量信号噪声标准差； 表示第k阶段余量信号的残差； 为第k个模态分量；

S4.4.重复执行S4.3，直到余量信号无法再进行分解，最终的余量信号 表示为：；

完成分解降噪，原始信号序列x(n)被分解为：。

7.根据权利要求6所述的GNSS坐标时间序列数据流匹配方法，其特征在于，S5包括：S5.1.将多元时间序列数据中的变量看作随机变量 ， ，各个时间点上的值看作随机变量的观察值，设数学期望 ，计算 个多元时间序列的协方差 ：；

，所以协方差矩阵就是自相关矩阵，即；

S5.2.计算个多元时间序列的平均协方差矩阵 ：；

S5.3.计算平均协方差矩阵 的特征值 与特征向量 ，按照特征值进行排序，再根据特征值的排序结果将对应的特征向量进行排序；

S5.4.计算方差贡献率 ：；

得到不同特征值的方差贡献率，根据贡献率的大小对特征向量排序筛选，完成通过共有元素成分分析的降维法。

8.根据权利要求7所述的GNSS坐标时间序列数据流匹配方法，其特征在于，S6包括：S6.1.将数据流Ｔ和查询样例Q作为输入，通过基于编码的转折模式识别技术，对数据流进行适应性分段，输出数据流T的子段和查询序列Q的子段；

S6.2.将查询序列Q的子段作为输入，对于每个时间序列子段做因式分解，将获取的系数作为这一子段的特征向量；

S6.3.以S6.2获取的系数作为输入，进行欧式距离度量。

9.根据权利要求8所述的GNSS坐标时间序列数据流匹配方法，其特征在于，S6包括：S6.4.采用在线匹配算法，在同一距离度量矩阵中完成数据流T和查询序列Q的相似度计算；

在线匹配算法包括：

变量在 个连续时间点的连续采样值称为时间序列，记做 ，其中 表示变量在第个时刻点的采样值，为时间序列T的长度；

给定时间序列 的子序列定义为 ，其中； 表示变量在第 个时刻点的采样值。

10.根据权利要求9所述的GNSS坐标时间序列数据流匹配方法，其特征在于，S6.4包括：S6.4.1.对数据流进行编码，穷举数据流中相邻的三个点 ，计算他们的均值 ，根据这三点数据与其均值的相对关系，进行匹配，根据实时匹配中的转折模式，完成数据流的切分，得到一系列数据流上的分段位置 ，据此数据流T被分为m小段 ；

S6.4.2.采用的规范化方法对各子段做规范化处理，处理后每个子段转换为均值为０方差为1的标准化时间序列，规范化之后对各子段进行因式分解：；

表示将 数据流切分后形成的三个分段式；

S6.4.3.定义：

S和T是两个有限的正实数数列， ；时间序列 是有限的正实数数列，是与 相关联的一个有限的正实数数列；

表示序列 和序列 中 与 的一个点对点的对应关系，是 中第 个点，，是 中第 个点；

表示序列 和序列 的一个对应关系， 中每个元素是一个点对点的对应关系， ， ；

表示序列 和 的在对应关系 下的距离，以及元素 与 在对应关系下的距离：；

；

S6.4.4.对于时间序列S和T，等级相关系数同样要求序列长度相等，假设S和T的元素排名分别为 和 ：；

是 的等级相关系数， 是 的等级相关系数； 是 的等级相关系数， 是 的等级相关系数；

S和T的相似度 为：

；

如果序列 和 的排名次序是完全相同的，则 ，反之如果序列 和 的排名次序差异越大， 数值越小，定义S和T之间的距离 为：；

是 的等级相关系数， 是 的等级相关系数，由此完成匹配过程。